基于深度空时域特征融合的高动态空中多形态目标检测方法.docx

【空中多形态目标检测】传统的空中红外目标检测方法主要依赖于滤波、噪声抑制和阈值分割等技术，但这些方法在高动态条件下的效果有限。随着深度学习的发展，卷积神经网络（CNN）被广泛应用于空间特征提取，提高了目标分类和定位的准确性。然而，对于高速运动的空中目标，单纯的空间特征不足以捕捉到动态变化。 【深度空时域特征融合】为了解决这一问题，研究者们开始探索时空多维深度特征融合的方法。双流法是一种常见的策略，它通过处理空间流（Spatial Flow）和时域运动流（Temporal Motion Flow）来捕捉静态和动态信息。Simonyan K等人提出的双流法将RGB图像的这两部分分别处理，再进行融合。Zhang等人则针对双流网络的时序依赖性进行了改进，增强了对时序行为的识别。Donahue J等人结合2D卷积和LSTM网络，先提取视觉特征序列，再利用LSTM挖掘上下文信息。Ji S等人使用了3D卷积，但仅在浅层应用，并依赖手工特征。I3D模型引入了3D卷积和稠密光流，提高了视频目标检测的准确性，但计算量大。 【本文方法】本文提出了一种新的方法，利用关键点匹配生成的稀疏光流替代稠密光流，减少计算量，同时结合3D卷积提取动态特征。静态空间特征则通过引入可切换空洞卷积（SAC）的双向循环特征金字塔结构进行提取，SAC可以在扩大感受野的同时减少信息损失。整个网络分为图像静态特征流和时序光流图两部分，最终在通道维度拼接静态和动态特征，形成时空融合特征图，实现对高动态空中多形态目标的实时高效检测。 【空间静态特征提取】在高超声速飞行器的探测场景中，目标尺度变化快速，多尺度、多形态特征的提取至关重要。为此，文章设计了一个加权双向循环特征金字塔结构，用空洞卷积生成不同尺度的特征图，并通过双向特征金字塔模块融合多层特征。通过优化网络结构，如删除无用节点、增加同一层节点间的连接以及构建双向融合路径，提高了模型效率而不增加计算复杂度。 本文提出的深度空时域特征融合方法是针对高动态空中目标检测的创新解决方案，它结合了静态和动态信息，优化了特征提取过程，提升了检测的实时性和准确性，对于高超声速飞行器的制导控制领域具有重要价值。通过引入稀疏光流和可切换空洞卷积，该方法能够更有效地处理复杂的战场环境和高速运动目标。